Transcripción y traducción en tiempo real: cómo funciona el voz a texto en directo, cuánto se retrasa, qué afecta a la precisión y cuánto cuesta.
La transcripción en tiempo real convierte el habla en texto mientras la persona todavía está hablando. Las palabras aparecen en pantalla instantes después de pronunciarse, se asientan en líneas finales y puede leerlas cualquiera que esté siguiendo. Añade la traducción en tiempo real y cada lector puede seguir el mismo discurso en su propio idioma, como texto o leído en voz alta.
Esta guía trata la transcripción y traducción en tiempo real desde ambos lados: lo que ve un oyente, de dónde puede venir el audio, qué decide la precisión, qué obtienen los desarrolladores de una API y cuánto cuesta.
La transcripción en tiempo real, también llamada transcripción en directo o voz a texto en directo, es un reconocimiento de voz que se ejecuta mientras el audio sigue llegando. Un archivo grabado puede transcribirse teniendo toda la grabación a mano. Una transcripción en directo tiene que decidirse por unas palabras contando solo con los últimos segundos, y seguir el ritmo del orador mientras hable.
Los subtítulos en directo son lo mismo mostrado como líneas cortas sobre un vídeo o en una pantalla.
En VocalStack una transcripción en directo puede escuchar en 100 idiomas. Detecta el idioma hablado por sí sola y sigue al orador si cambia, lo que cómo funciona la detección automática de idioma explica, junto con cuándo conviene indicar el idioma de antemano.
El texto llega en dos etapas. Las palabras más recientes aparecen primero como borrador, que aún puede cambiar a medida que entra más audio. Un momento después, el borrador se asienta en una línea final que ya no vuelve a cambiar.
El borrador existe porque un reconocedor decide una palabra en parte por lo que viene después. «Hola mar» y «ola, mar» suenan igual hasta que llega la palabra siguiente. Mostrar pronto la conjetura es lo que hace que una transcripción se sienta en directo.
Cuánto se retrasa el texto respecto al orador depende de la etapa:
Dos retrasos quedan fuera de esa cadena. Cuando la fuente es una retransmisión pública y no un micrófono, la propia retransmisión ya va por detrás de su borde en directo: uno o tres segundos en una emisora de radio por internet sencilla, y entre varios segundos y medio minuto con HLS. Y en Pay as you go, una transcripción en directo puede tardar hasta 15 segundos en empezar. El desglose completo, incluidos los modos de latencia Auto, Fast y Accuracy, está en la latencia de la traducción en directo, explicada.
La traducción se ejecuta sobre la transcripción. Una transcripción en directo puede traducirse a hasta 10 idiomas a la vez, elegidos entre 100. Cada oyente elige uno de ellos en su propio dispositivo y puede cambiarlo en cualquier momento; la transcripción hasta ese punto se muestra de nuevo en el nuevo idioma.
Todos los idiomas se traducen a partir de la misma transcripción, así que todos los oyentes reciben las mismas palabras, y una corrección llega a todos.
Un oyente que prefiera escuchar a leer puede hacer que cada línea traducida se lea en voz alta. De forma predeterminada, cada hablante recibe una voz de catálogo distinta que coincide con su género, de modo que un panel sigue sonando como varias personas. Con el consentimiento de un hablante, un anfitrión puede clonar su voz a partir de unos 30 segundos de él hablando solo, y la traducción se lee entonces con su propia voz.
La regla para las voces es estrecha a propósito. Una voz solo lee lo que esa misma persona dijo, traducido a un idioma que el oyente eligió. Nunca lee texto que alguien escribe, y nunca lee las palabras de un hablante con la voz de otro.
Cómo funciona esto para una sala entera, desde la configuración del anfitrión hasta quien llega tarde, está en un enlace, todos los idiomas.
Una transcripción en directo necesita una fuente de audio. Estas son las que VocalStack admite hoy:
Los subtítulos dentro del propio reproductor de YouTube, mediante su botón CC, llegarán pronto. Hasta entonces, los espectadores de un directo de YouTube siguen los subtítulos en el enlace de la emisión.
Si necesitas transcripción en directo en Windows hoy, la extensión de Chrome o de Edge, el plugin de OBS y el Dashboard en un navegador funcionan allí.
Una emisión es la forma en que otras personas siguen una transcripción en directo. Es un enlace y un código QR. Los oyentes lo abren en un navegador, eligen un idioma y leen. No necesitan cuenta, no instalan nada y no cuestan nada: la factura no cambia con el número de oyentes ni de idiomas.
Una emisión es pública por defecto y puede protegerse con una contraseña. Si renombras su enlace, el antiguo sigue funcionando, así que un código QR impreso en un programa no se queda obsoleto. Una emisión puede llevar varias transcripciones en directo, de modo que dos escenarios pueden compartir un enlace.
Un oyente que llega tarde ve todo lo dicho antes de entrar y luego sigue en directo. Después, la vista Audience muestra quién escuchó, en qué idioma y cuándo se unió.
Para eventos, la lista de comprobación para conferencias multilingües cubre el audio, los escenarios y el presupuesto, y la transcripción en directo para iglesias, aulas magnas y salas de plenos cubre la versión semanal de la misma configuración.
Todo lo anterior puede hacerse desde código. Para audio en directo en tu propia aplicación, la API tiene sesiones en tiempo real: tu servidor hace una llamada a POST /v1/realtime/sessions con una clave de API y recibe una streamUrl de corta duración. Tu cliente abre un WebSocket hacia ella, envía audio sin procesar a medida que se captura y lee la transcripción de vuelta como tramas JSON.
Las tramas siguen las mismas dos etapas que ve un lector. Un transcript.draft sustituye la cola en directo, un transcript.committed añade una línea final y, con la traducción activada, llegan frases completas con sus traducciones adjuntas. Los idiomas de destino, las etiquetas de hablante y el modo de latencia pueden cambiarse a mitad de sesión con session.update.
Una sesión en tiempo real no almacena nada. Cuando quieres que las palabras se conserven, se corrijan y se compartan con un público, publicas el audio en una transcripción en directo y una emisión en su lugar. Los SDK oficiales para TypeScript, Python y PHP envuelven ambas cosas, y un servidor MCP permite que un asistente de IA use la misma cuenta.
El tutorial de WebSocket construye paso a paso una vista de subtítulos que funciona, y la referencia de la API tiene cada campo. El uso de la API se factura a la misma tarifa que el Dashboard.
La precisión se decide sobre todo antes de que se ejecute ningún reconocedor, por el audio que recibe. Cuatro cosas marcan la mayor diferencia.
El micrófono. Un micrófono cercano al orador, o una señal de la mesa de mezclas del recinto, transporta la voz con poco de la sala. Un teléfono sobre una mesa oye al orador más el eco, las sillas y las toses. Es el factor individual más importante, y por qué un teléfono no basta para una sala explica el motivo.
Ruido y solapamiento. El ruido de fondo provoca palabras omitidas e inventadas, y dos personas hablando a la vez confunden tanto las palabras como quién las dijo. Errores de transcripción de audio enumera siete causas habituales, cómo se ve cada una y cómo arreglarla.
Un reference script. Los nombres y términos conocidos se reconocen tal cual. Los nombres de producto de una empresa, un acrónimo interno o el apellido poco común de un invitado no pueden conocerse de antemano, así que añade un script o diapositivas antes de empezar, y los nombres y términos que contienen se escriben tal como los escribiste.
Etiquetas de hablante. Las etiquetas pueden estar en Off, On o When Needed, que las activa en cuanto se oye a un segundo hablante. Diarización de hablantes frente a reconocimiento de voz explica cómo las dos respuestas, qué se dijo y quién lo dijo, son independientes y se corrigen por separado.
El modo de latencia también importa: Fast saca el texto antes pero revisa más, Accuracy espera un poco más.
Una sola cifra de precisión dice menos de lo que parece. La tasa de error de palabras cuenta un nombre equivocado igual que un «el» omitido, y por eso qué mide la tasa de error de palabras y qué se le escapa propone juzgar un sistema por los errores que te deja detectar y corregir.
Ninguna transcripción en directo es perfecta, así que la pantalla del anfitrión tiene una pestaña Fix. Puede marcar las palabras de las que el reconocedor dudaba, y cualquier línea puede abrirse y corregirse. Una segunda persona en la mesa puede repasarlas mientras el orador continúa.
Cuando el anfitrión reescribe una palabra o una línea, incluso una que aún se está pronunciando, cada oyente ve la corrección, en todos los idiomas. Una línea oída con muy poca confianza se oculta a los oyentes como «Audio unclear» en lugar de mostrarse mal; el anfitrión sí la sigue viendo.
La grabación se conserva con su transcripción, correcciones y traducciones. Después puedes:
Cuánto tiempo se conservan el audio y las transcripciones depende del plan, y la página de precios lo detalla.
La mayoría de las herramientas de transcripción en directo se parecen en una demostración; las diferencias aparecen en las preguntas de abajo. La columna de la derecha describe VocalStack tal como es hoy.
| Pregunta | Por qué importa | VocalStack |
|---|---|---|
| ¿Qué idiomas puede oír? | Una herramienta que no puede transcribir el idioma del orador no sirve de nada, por buena que sea su traducción. | 100 idiomas, detectados automáticamente, con cambio a mitad de charla |
| ¿Cuánto va el texto por detrás del orador? | Los lectores notan más una brecha creciente que una palabra equivocada ocasional. | Texto original una fracción de segundo por detrás, traducción uno o dos segundos más tarde; tres modos de latencia |
| ¿Traduce, y quién elige el idioma? | Un único idioma de subtítulos en una pantalla deja fuera a todos los demás. | Hasta 10 idiomas por transcripción, cada oyente elige el suyo |
| ¿Puede decir la traducción en voz alta? | Algunos oyentes no pueden seguir leyendo, o prefieren no hacerlo. | Voces de catálogo por defecto; la propia voz clonada de un hablante con su consentimiento |
| ¿Cómo le llega al público? | Las aplicaciones y las cuentas hacen perder gente en la puerta. | Un enlace y un código QR, sin cuenta, contraseña opcional |
| ¿Se pueden corregir errores en directo? | Un nombre mal oído que se repite durante una hora hace un daño real. | Correcciones en directo enviadas a cada oyente |
| ¿De dónde puede venir el audio? | Tu montaje no debería tener que cambiar para adaptarse a la herramienta. | Micrófono, extensiones de navegador, aplicación de escritorio, OBS, RTMP, enlaces de stream |
| ¿Hay una API? | Puede que quieras subtítulos dentro de tu propio producto. | API REST y WebSocket, SDK, servidor MCP, misma tarifa que el Dashboard |
| ¿Cómo se cobra? | El precio por oyente o por puesto crece con tu público. | Por segundo de audio; oyentes e idiomas gratis |
En VocalStack pagas por segundo de audio transcrito. En el momento de escribir esto, la transcripción en directo cuesta $0.60 la hora y los archivos cuestan $0.20 la hora, en todos los planes, tanto en el Dashboard como a través de la API. La traducción, las voces, los resúmenes, la emisión y los oyentes nunca suman a la factura, así que una charla de una hora leída por 200 personas en cinco idiomas cuesta los mismos $0.60 que una leída por nadie.
Los planes se diferencian en algunos aspectos:
Si nadie necesita leer mientras ocurre, sube la grabación después a la tarifa de archivos. Los precios actuales, la retención y los límites de cada plan están en la página de precios.
Una cuenta nueva de VocalStack incluye $5 de crédito de bienvenida y no necesita tarjeta. A $0.60 la hora son unas ocho horas de transcripción en directo, con traducción y emisión incluidas. Después pagas por segundo. Los oyentes son siempre gratis.
Sí. Una transcripción en directo puede traducirse a hasta 10 idiomas a la vez mientras la persona habla. La traducción aparece uno o dos segundos después del texto original, y cada oyente elige su propio idioma.
Depende sobre todo del audio. Un micrófono cercano o una señal de la mesa, poco ruido de fondo, una persona hablando cada vez y un reference script con los nombres dan los mejores resultados. Las correcciones en directo permiten al anfitrión arreglar lo que siga mal mientras la charla continúa.
El texto en el idioma original va por detrás del orador una fracción de segundo, y las traducciones llegan uno o dos segundos más tarde. Una retransmisión pública añade su propio retraso antes de que el audio llegue a VocalStack.
Sí, mediante la extensión de Chrome o de Edge, el plugin de OBS Studio o el Dashboard en un navegador. La aplicación de escritorio está hoy en macOS, y Windows llegará pronto.
No. Los oyentes abren el enlace de la emisión o escanean su código QR en un navegador, eligen un idioma y leen. No hay nada que instalar.
Abre el Dashboard, inicia una transcripción en directo desde tu micrófono y abre su enlace de emisión en tu teléfono. El crédito de bienvenida cubre tus primeras horas, y podrás ver con tus propios ojos cómo se asientan los borradores y cómo sigue la traducción.